Scale Buys Interpolation, Structure Buys a Horizon: Certified Predictability for Equivariant World Models

📄 arXiv: 2606.13092v1 📥 PDF

作者: Hongbo Wang

分类: cs.LG, cs.RO, math.DS

发布日期: 2026-06-11

备注: 23 pages (9 main + appendices). Code: https://github.com/TimothyWang418/se3-ejepa

💡 一句话要点

提出可验证的可预测性以解决世界模型的信任问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 等变模型 可预测性证书 李雅普诺夫谱 动态系统 机器人控制

📋 核心要点

  1. 现有世界模型的平均误差无法有效评估特定预测的可信度，导致信任问题。
  2. 论文提出了一种基于等变潜在世界模型的可计算多步可预测性证书，提供了对称轨道上的误差常数特性。
  3. 在40维Lorenz-96实验中，$ ext{Z}_N$-等变网络成功恢复了完整的李雅普诺夫谱，表现优于其他基线模型。

📝 摘要（中文）

论文指出，世界模型的平均误差无法反映特定预测的可信度及其持续时间。针对等变潜在世界模型，作者提供了一种可计算的多步可预测性证书，证明了在每个对称轨道上的$T$步展开误差是常数，并通过预测器的李雅普诺夫谱进行分层。该证书是结构特有的，只有等变模型才能在任何尺度上实现轨道常数误差。实验结果表明，只有$ ext{Z}_N$-等变网络能够恢复完整的李雅普诺夫谱，且在固定感知预算下，该证书的需求与预算成正比，显示出其优越性。

🔬 方法详解

问题定义：本论文旨在解决世界模型中预测可信度评估的不足，现有方法无法提供关于特定预测的信任度和持续时间的信息。

核心思路：提出了一种可计算的多步可预测性证书，证明了在等变潜在世界模型中，$T$步展开误差在每个对称轨道上是常数，并通过李雅普诺夫谱进行分层。

技术框架：整体架构包括对称轨道的误差分析、李雅普诺夫谱的计算以及证书的生成与验证，主要模块包括模型训练、证书生成和性能评估。

关键创新：最重要的创新在于提出了一个独特的可预测性证书，能够在没有标定数据的情况下，评估等变模型的预测能力，与非等变模型形成鲜明对比。

关键设计：在模型设计中，采用了$ ext{Z}_N$-等变网络结构，损失函数设计为考虑李雅普诺夫谱的特性，确保模型在不同尺度下的稳定性和可预测性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，$ ext{Z}_N$-等变网络在40维Lorenz-96数据集上成功恢复了完整的李雅普诺夫谱，$R^2$达到0.98，而其他密集和递归基线模型未能实现此结果。此外，在固定感知预算下，该证书的需求与预算成正比，显示出其在实际应用中的优势。

🎯 应用场景

该研究的潜在应用领域包括机器人控制、动态系统建模和智能决策支持系统。通过提供可验证的预测能力，能够增强模型在实际应用中的可靠性，尤其是在高风险环境中的应用。未来可能影响自动驾驶、无人机导航等领域的决策过程。

📄 摘要（原文）

Scale buys interpolation; structure buys a certified horizon. A world model's average error says nothing about whether a particular prediction can be trusted, or for how long. For equivariant latent world models we give a computable, multi-step certificate of the predictable horizon: $T$-step rollout error is provably constant over each symmetry orbit (Theorem A) and stratified channel-by-channel by the predictor's Lyapunov spectrum, $T_j(ε)\sim\log(1/ε)/λ_j$. The horizon is two-sided -- a matching lower bound makes approximate equivariance provably horizon-limited -- and the certificate is exclusive to structure: orbit-constant error characterizes equivariance, so no non-equivariant model has it at any scale. Empirically, on 40-D Lorenz-96 only a $\mathbb{Z}_N$-equivariant network recovers the full Lyapunov spectrum ($R^2{=}0.98$); dense and recurrent baselines fail. Because the spectrum is faithful, the certificate acts, a priori: under a fixed sensing budget a $c\times$-inflated certificate provably needs $c\times$ the budget, and the equivariant certificate meets a budget its inflated dense counterpart cannot -- with zero calibration data. The same read-out, unchanged, audits public pretrained world models training-free: TD-MPC2 checkpoints land on the certificate's own scope taxonomy -- calibrated where strongly expansive (ratio 0.94-1.02), optimistic where weakly expansive, correctly abstaining where contracting -- a map a deployed monitor replicates cell-by-cell, out-of-sample. Across the official 1M-317M multitask ladder, calibration does not improve with parameters. On V-JEPA 2-AC (1B, real robot data) the measured cross-check correctly overrides an over-promising tangent spectrum -- the cross-validated audit, not the raw number, is the deployable object. Scale buys interpolation, not a calibrated horizon.